神策数据：在数据采集上的痛苦、幻想与失望

搜云库互联网/架构/开发/运维

作者：桑文锋，神策数据创始人兼 CEO，前百度大数据部技术经理

在这一年来接触了我个人接触了 200 家创业公司，发现都在数据采集上遇到多多少少的问题，我把它们归结为三类：

1、不知道怎么采，包括采集什么数据以及用什么技术手段采集； 2、埋点混乱，出现埋错、漏埋这样的问题； 3、数据负责人员和业务工程团队配合有问题，很难推动业务工程团队配合，往往项目功能升级的优先级大于数据采集的优先级。

上面这三类问题让数据同学相当痛苦，进而有些幻想出现不用做数据采集的方案，结果做了些尝试后，进而是更大的失望。我这里对这三类问题的现状及应对之策做一下分析。

不知道怎么采

一般创业公司是数据采集上，可以分为三种方式：

使用友盟、百度统计

第一种是直接使用友盟、百度统计这样的第三方统计工具，通过嵌入 App SDK 或 JS SDK，然后就可以看统计数据了。这种方式的好处是简单、免费，因此使用非常普及。对于看一些网站访问量、活跃用户量这样的宏观数据需求，基本能够满足。但是，现在一些订单相关的产品，越来越不满足于看这些宏观统计数据，还想做一些深度的用户渠道转化、留存、多维度交叉分析等操作，这个时候就会发现很难满足。这里的问题倒不是出在分析能力的薄弱，而是出现数据采集的不完整。

通过这种 SDK 只能够采集到一些基本的用户行为数据，比如设备的基本信息，用户执行的基本操作等。但是服务端、数据库中的数据并没有采集，对于一些提交操作，比如提交订单对应的成本价格、折扣情况等信息也没有采集，这样就导致后续的分析成了“巧妇难为无米之炊”。

通过客户端 SDK 还有一个问题就是经常觉得统计的不准，和自己的业务数据库数据对不上，出现丢数据的情况。这是前端数据采集的先天缺陷，因为网络异常，或者统计口径不一致，都会导致数据对不上。

使用业务数据库做统计

第二种是直接使用业务数据库做统计分析。一般的互联网的产品，后端都是有业务数据库，里面存储了订单、用户注册信息等数据，基于这些数据，一些常用的统计分析都能够搞定了。这种方式天然的就能分析业务数据，并且是实时、准确的。但不足之处有两点：一是业务数据库在设计之初就是为了满足正常的业务运转，给机器读写访问的。为了提升性能，会进行一些分表等操作。一个正常的业务都要有几十张甚至上百张数据表，这些表之间有复杂的依赖关系。这就导致业务分析人员很难理解表含义。即使硬着头皮花了两三个月时间搞懂了，隔天工程师又告诉你因为性能问题拆表了，你就崩溃了。二是业务数据表的设计在于高并发低延迟的小操作，而数据分析常常是针对大数据进行批量操作，这样就导致性能很差。

日志进行统计

第三种是通过 Web 日志进行统计分析。这种方式相比基于业务数据库的方式，完成了解耦，使业务运行和统计分析两个数据流相分离。这里的问题是打印日志往往是工程师顺便搞搞，完全是以 Debug 的需求来打印日志字段，但在业务分析上，往往发现缺斤少两。并且从打印日志到处理日志到输出统计结果，整个过程很容易出错，我在百度就花了几年的时间解决这一问题。

以上三种方式都多多少少解决了一部分数据采集的问题，但又都解决的不彻底。

埋点混乱

我曾经接触了一家做了七八年的老牌互联网公司，它们的数据采集有 400 多个点。每次数据产品经理提了数据采集的需求，工程师就会按照要求给做了，然后交给数据产品经理去验证。数据产品经理在试用的时候也感觉不到异常，可等上线之后，发现埋的不对，再进行升级发版操作，整个效率就比较低了。一个公司发展到一定程度，没有专人去负责埋点管理工作，数据采集完全没有准确性可言。还有时产品上线之后，才发现数据采集的工作没有做，也就是漏埋了。

于是数据相关的同学甚至管理者都在幻想，既然埋点这么容易出问题，有没有不埋点就可以解决所有问题？这就像寻找可以祈求风调雨顺的神灵。在 2010 年时，百度 MP3 团队曾经做了一个叫 ClickMonkey 的产品，只要页面上嵌入 SDK，就可以采集下来页面上所有的点击行为，然后就可以绘制出用户点击的热力图，这种方式对于一些探索式的调研还是比较有用的。后来在 2013 年，国外有家数据分析公司叫 Heap Analytics，把这种方式更近一步，将 App 的操作尽量多的采集下来，然后通过界面配置的方式对关键行为进行定义，这样就可以不用工程师的配合就可以完成数据采集操作了，这是其中的一个优点。这里要说明的是，要使用这种方案，必须在产品里实现嵌入 SDK，等于做了一个统一的埋点，所以“无埋点”这种叫法本身就不严谨。我更愿意把这种方式叫做“全埋点”。

这种方式只能是进行前端的数据采集，后端服务器和数据库中的数据，依旧是无可奈何的。即使进行前端的数据采集，也不能够进行细粒度的数据采集。比如对于提交订单操作，订单的运费、成本价格之类的维度信息，等于都丢失掉了，只剩下提交这么一个行为类型。

对于非技术人员，容易被这种方式的名称和直接优势所吸引，但很快又会发现许多深度数据分析需求无法直接满足，进而有种被忽悠的感觉，会感到失望。其实不止是非技术人员，即使是技术人员，也都会让我解释一下“可视化埋点”的原理，当我讲解之后，一般都会恍然大悟。这里说一下关键点：一是事先在产品上埋一个 SDK，二是通过可视化的方式，生成配置信息，也就是事件名称之类的定义，三是将采集的数据按照配置重命名，进而就能做分析了。

数据团队和业务工程团队的配合问题

公司到了 A 轮以后，一般都会有专门的数据团队或者兼职数据人员，会对公司的一些业务指标负责。即使为了拿到这些基本的业务指标，一般也要工程团队去配合做一些数据采集工作。这个时候雷军的“快”理念就起到作用了，天下武功唯快不破。于是所有事情都要给产品迭代升级让路，快的都没有时间做数据采集。须知没有数据指标，又怎么衡量这个功能升级是不是对的呢？互联网产品并不是加更多的功能就好，还是要基于数据做验证，然后学习新知识，用于下一轮的迭代。

数据团队和业务工程团队是平级的团队，而数据团队看起来总是给业务工程团队增加麻烦事儿，似乎也不能直接提升工程团队的 KPI，所以就导致配合起来特别费劲。数据团队的需求总是被更高优先级的事情挤掉，导致数据的事情迟迟没有进展。

解决之道

前面分析了以上三类问题，我们来看一下应对之道。

对于不知道数据怎么采的问题，首先从意识上要重视数据采集工作。数据的事情归结起来就两点：数据采集和数据分析。可不能只看到数据分析但没看到数据采集。事实上我个人在百度做数据的几年里，最大的心得就是数据这个事情要做好，最重要的就是数据源，数据源整好了，那就成功了一半。数据采集的基本原则是全和细。全就是要把多种数据源都要进行采集，而不只是客户端的用户数据。细就是强调多维度，把事件发生的一系列维度信息，比如订单运费、成本价格等，尽量多的记录下来，方便后续交叉分析。

其次，要有一个数据架构师，对数据采集工作负责，每次增加或变更数据采集点，都经过审核管理，不是顺便搞搞的事，要系统化。最后，我这里要推荐 Event 数据模型，针对用户行为数据，简化成一张宽表，将用户的操作归结为一系列的事件。

对于埋点混乱的问题，前面提到的数据架构师的角色，要负责对这块的管理。如果前面完成对 Event 的梳理，这里的埋点就会清晰很多。这里还要推荐尽量从后端进行埋点，这样就不用多个客户端埋了。当然，如果有行为只在客户端发生，还是要在客户端进行的。对于业务复杂的情况，只有负责人还不够。目前我们神策分析针对这个问题，也是推出了埋点管理功能，对于每个采集点的数据收集情况，都能够做到监控，并且可以针对一些无效采集点进行禁用。总之是希望把这个问题尽量好的去解决。

对于数据团队和工程团队的配合问题，我这里是想说给创业公司的创始人听的。如果让两个平行的部门去推动，那是很难的。数据的事情一定要自上而下的推动，也就是创始人一定要重视数据，把数据的优先级提升，这样在项目排期时，能够把数据的需求同时做了。我们知道两军对战，情报收集工作的重要性。在做产品时，数据收集工作的重要性就不言而喻了。

最后，期望越来越多的创始人，从拍脑袋做决策逐步向数据驱动决策做出转变。

出处：https://dwz.cn/Lim3Ib7D

往期精彩文章

长按：二维码关注

专注于开发技术研究与知识分享

公众号回复：”进群” 加微信群深入交流

回复 Java，Docker等关键字可获得学习资料